Zufriedenheit in fünf Stufen und eine Odds Ratio von 1.86, wann die ordinale logistische Regression in jamovi passt
In einer erfundenen Befragung geben 210 Studierende ihre Zufriedenheit mit dem Studium auf fünf Stufen an, von „sehr unzufrieden“ bis „sehr zufrieden“. Als Prädiktor dient die Lernzeit in Stunden pro Woche. Naheliegend wäre eine lineare Regression oder eine Aufteilung in zufrieden und unzufrieden, wie sie die binäre logistische Regression verlangt. Für eine geordnete abhängige Variable bietet jamovi aber ein eigenes Verfahren an.
Die ordinale logistische Regression nutzt die Reihenfolge der Stufen, ohne gleiche Abstände zwischen ihnen vorauszusetzen. Im Beispiel liefert sie eine Odds Ratio von 1.86 je Lernstunde. Was diese Zahl bedeutet und an welcher Annahme sie hängt, zeigen die folgenden Abschnitte.
Wann die ordinale Regression die passende Wahl ist
Entscheidend ist das Skalenniveau der abhängigen Variable. Ein einzelnes Item mit fünf Antwortstufen ist geordnet. Ob der Abstand zwischen „eher zufrieden“ und „sehr zufrieden“ genauso groß ist wie zwischen „teils, teils“ und „eher zufrieden“, weiß aber niemand. Warum das bei Likert-Daten eine eigene Diskussion ist, beschreibt der Artikel zu Likert-Skalen auswerten. Die Tabelle 1 ordnet die üblichen Verfahren nach der Art der abhängigen Variable.
Tabelle 1. Abhängige Variable und passendes Regressionsmodell
Abhängige Variable | Typisches Modell | Was dabei verloren geht |
Metrischer Skalenwert aus mehreren Items | Lineare Regression | Wenig, solange die Voraussetzungen erfüllt sind |
Zwei Ausprägungen, etwa bestanden oder nicht | Binäre logistische Regression | Nichts, wenn die Variable wirklich nur zwei Stufen hat |
Geordnete Stufen, etwa ein Einzelitem oder ein Schweregrad | Ordinale logistische Regression | Nichts von der Reihenfolge |
Ungeordnete Kategorien, etwa Studienfach | Multinomiale logistische Regression | Keine Reihenfolge, die genutzt werden könnte |
Wer fünf Stufen in zwei Gruppen zusammenfasst, verschenkt Information. Wer sie als metrisch behandelt, unterstellt gleiche Abstände. Die ordinale Regression liegt dazwischen. Sie ist in Psychologie, Medizin und Pädagogik verbreitet, etwa für Schweregrade, Schulnoten oder Zustimmungsstufen.
Was jamovi in der Ausgabe zeigt
In jamovi findest du das Verfahren im Menü Regression unter dem Eintrag für ordinale Ergebnisse. Je nach Version heißen einzelne Optionen leicht anders. Die Ausgabe besteht aus drei Teilen. Zuerst kommt die Modellanpassung mit Devianz, AIC und einem Pseudo-R² nach McFadden. Danach folgt die Tabelle der Koeffizienten mit Schätzer, Standardfehler, z-Wert und p-Wert. Auf Wunsch zeigt jamovi dort auch die Odds Ratio mit Konfidenzintervall. Am Ende stehen die Schwellenwerte zwischen den Stufen, also 1|2, 2|3, 3|4 und 4|5.
Im erfundenen Beispiel liegt der Schätzer für die Lernzeit bei 0.62 mit einem Standardfehler von 0.18. Daraus ergibt sich z = 3.44 mit p < .001. Die Odds Ratio ist e hoch 0.62, also 1.86 mit einem 95-%-Konfidenzintervall von 1.31 bis 2.65. Mit jeder zusätzlichen Stunde steigen die Odds, eine höhere statt einer niedrigeren Stufe anzugeben, um den Faktor 1.86.
Die Schwellenwerte beschreiben, wo das Modell die Grenzen zwischen den Stufen setzt. Sie sind für die Fragestellung meist zweitrangig. Viele Arbeiten berichten sie in einer Tabelle, interpretieren sie aber nicht einzeln. Wie Odds Ratios grundsätzlich gelesen werden, erklärt der Artikel Odds Ratio richtig interpretieren.
Die Annahme, an der deine Entscheidung hängt
Die übliche ordinale Regression rechnet mit proportionalen Odds. Gemeint ist, dass die Odds Ratio von 1.86 an jeder Schwelle gilt. Sie gilt also für den Schritt von „sehr unzufrieden“ zu allen höheren Stufen ebenso wie für den Schritt von „eher zufrieden“ zu „sehr zufrieden“. Trifft das nicht zu, beschreibt eine einzige Odds Ratio die Daten schlecht.
Eine einfache Kontrolle sind getrennte binäre Modelle für jede Schwelle. Liegen die Odds Ratios dort etwa bei 1.80, 1.92, 1.71 und 1.95, spricht wenig gegen die Annahme. Springt eine davon auf 3.50, lohnt ein genauer Blick. Ob deine jamovi-Version einen eigenen Test dafür anbietet, siehst du in den Optionen des Verfahrens. Häufig wird die Annahme zusätzlich in R geprüft, etwa mit nominal_test() aus dem Paket ordinal oder mit dem Brant-Test.
Ist die Annahme verletzt, gibt es mehrere Wege. Möglich sind ein Modell mit teilweise proportionalen Odds, eine multinomiale Regression oder das Zusammenlegen dünn besetzter Stufen. Welcher Weg zu deiner Fragestellung passt, lässt sich nicht pauschal sagen.
Ob die Annahme in deinen Daten hält und welches Modell dann passt, klären wir mit dir bei der Auswertung in jamovi.
Typische Stolperstellen in der Praxis
Dünn besetzte Stufen verzerren das Modell. Wenn nur sechs Personen „sehr unzufrieden“ angeben, werden die Schätzer für diese Schwelle unsicher. Ein Blick auf die Häufigkeiten gehört deshalb vor jede Modellrechnung.
Das Vorzeichen hängt von der Parametrisierung ab. Programme stellen ordinale Modelle unterschiedlich dar. Prüfe an den deskriptiven Werten, ob die Richtung deines Ergebnisses plausibel ist.
Das Pseudo-R² ist kein erklärter Varianzanteil. Werte nach McFadden fallen meist deutlich kleiner aus als ein R² aus der linearen Regression. Ein Wert von .08 ist deshalb nicht automatisch schwach.
Mehrere Prädiktoren brauchen genug Fälle. Bei vielen Prädiktoren und wenigen Personen pro Stufe wird das Modell instabil. Das betrifft Masterarbeiten mit kleinen Stichproben besonders oft.
So kann der Bericht im Ergebnisteil aussehen
Im Methodenteil nennst du das Modell und wie du die Annahme proportionaler Odds geprüft hast. Im Ergebnisteil stehen Odds Ratio, Konfidenzintervall und p-Wert. Mit den erfundenen Werten könnte das so aussehen:
Mit jeder zusätzlichen Stunde Lernzeit pro Woche stiegen die Odds, eine höhere Zufriedenheitsstufe anzugeben, OR = 1.86, 95 % KI [1.31, 2.65], p < .001.
Wie du jamovi-Ausgaben generell in eine saubere Form bringst, zeigt der Beitrag jamovi-Ergebnisse nach APA 7. Für Modelle mit mehreren Prädiktoren hilft der Artikel zur logistischen Regression nach APA 7. Kommen Interaktionen hinzu, lohnt sich ein Blick auf die Moderationsanalyse in jamovi.
Noch offene Fragen zur ordinalen Regression in jamovi
Darf ich ein einzelnes Likert-Item mit einer linearen Regression auswerten?
Manche Betreuende akzeptieren das, andere nicht. Bei einem einzelnen Item mit fünf Stufen ist die ordinale Regression meist die vorsichtigere Wahl. Wer sie nutzt, muss die gleichen Abstände zwischen den Stufen nicht begründen.
Was mache ich, wenn eine Antwortstufe kaum besetzt ist?
Häufig werden benachbarte Stufen zusammengelegt, etwa „sehr unzufrieden“ und „eher unzufrieden“. Diese Entscheidung solltest du im Methodenteil begründen und möglichst vor der Auswertung festlegen.
Übernehmt ihr die Auswertung auch direkt in jamovi?
Ja, auf Wunsch rechnen wir die Auswertung in jamovi, damit du die Ausgabe selbst nachvollziehen kannst. Mehr dazu steht auf der Seite zur Auswertung in jamovi.
Wovon hängt der Aufwand für eine Auswertung mit ordinaler Regression ab?
Vor allem von der Zahl der Modelle, der Prüfung der Annahmen und davon, ob Tabellen und Text nach APA 7 dazugehören. Wie sich das zusammensetzt, erklärt der Artikel was eine statistische Auswertung kostet.
Muss ich die Schwellenwerte im Ergebnisteil berichten?
Das hängt von Fach und Betreuung ab. Wer sie in einer Tabelle aufführt und im Text nur die Odds Ratios bespricht, ist auf der sicheren Seite.
Wenn deine abhängige Variable Stufen statt Messwerte hat entscheidet die Modellwahl darüber, ob deine Ergebnisse einer Rückfrage standhalten. Wir übernehmen die Auswertung in jamovi samt Prüfung der Annahme und erklären dir im Abschlussgespräch, wie du die Odds Ratios einordnest. Wenn du lieber selbst rechnest, begleiten wir dich Schritt für Schritt im 1:1-Coaching.


